O “problema dos três corpos”

Deixou astrônomos perplexos desde Newton, foi desvendado em menos de um minuto por inteligência artificial

Um problema formulado primeiramente por Isaac Newton no século 17, que continuava a assolar os cientistas até os dias de hoje, foi resolvido por um programa de inteligência artificial em uma fração de segundo.

Parece simples: prever como três corpos celestes (como planetas, estrelas e luas) orbitam um ao outro. As interações gravitacionais entre os três objetos resultam em um sistema caótico e complexo, contudo, muito sensível às posições iniciais de cada corpo.

Resolver o chamado “problema dos três corpos” exige uma quantidade impensável de cálculos. Assim, para tentar dominar a questão, os pesquisadores usam softwares que podem levar semanas ou até meses para revelar os resultados.

Agora, um novo estudo da Universidade de Cambridge (Reino Unido) resolveu testar se uma rede neural – um tipo de inteligência artificial que imita a forma como o cérebro humano trabalha – poderia ser mais rápida. E é – 100 milhões de vezes.

Rede neural

O software mais utilizado para calcular esse tipo de problema é chamado Brutus. Os cientistas primeiro geraram 9.900 cenários de três corpos simplificados nele, o que levou cerca de 2 minutos para cada cenário.

Em seguida, alimentaram a rede com todas essas informações – a inteligência artificial funciona reconhecendo padrões, de forma que é preciso fornecer muitas informações a ela antes de poder usá-la para qualquer cálculo.

Por fim, os pesquisadores testaram 5.000 cenários ainda não observados na IA, descobrindo que ela podia resolvê-los em apenas uma fração de segundo. Os resultados eram muito parecidos com os de Brutus.

Potencial

De acordo com o bioestatístico Chris Foley, da Universidade de Cambridge, um dos autores do estudo, essa eficácia pode ser “inestimável” para astrônomos que estudam coisas como o comportamento de aglomerados de estrelas e a evolução do universo.

“Essa rede neural, se fizer um bom trabalho, deve nos fornecer soluções em um prazo sem precedentes. Então, podemos começar a pensar em progredir com questões muito mais profundas, como a forma como as ondas gravitacionais se formam”, disse ao portal Live Science.

Existe uma desvantagem óbvia, no entanto: a rede neural é uma prova de conceito que aprendeu apenas a partir de cenários simplificados. Treiná-la para cenários mais complexos exige calculá-los usando o Brutus primeiro, o que pode ser muito demorado e caro.

O Brutus é lento porque resolve problemas usando “força bruta”, ou seja, realizando cálculos para cada etapa, por menor que seja, das trajetórias dos corpos celestes. A rede neural, por sua vez, analisa esses cálculos e deduz um padrão que pode ajudar a prever cenários futuros com eficácia.

“Existe uma separação entre nossa capacidade de treinar uma rede neural com desempenho fantástico e nossa capacidade de derivar dados com os quais treiná-la. Então, há um gargalo aí”, explicou Foley.

Conjunto

A ideia, no entanto, não é fazer a rede neural substituir os softwares como Brutus, mas sim utilizar as duas ferramentas em conjunto.

O Brutus continuaria fazendo a maior parte do trabalho “braçal”, e a rede neural assumiria o posto quando os cálculos ficassem complexos demais, “travando” o software.

“Você cria esse híbrido. Toda vez que o Brutus fica preso, você emprega a rede neural e move adiante. E depois avalia se o Brutus foi ou não desatolado”, resumiu Foley. [LiveScience]